用于未知对象识别的合成非平稳数据流
机器学习
2026-05-29 v1 机器学习
摘要
数据非平稳性问题常在数据流处理中得到解决。在动态环境中，方法应持续准备分析随时间变化的数据——因此，需要支持增量训练并响应概念漂移。一个同样重要的 variability 典型于非平稳数据流环境，是新出现的、以前未知类的对象的出现。经常有方法聚焦于这两种现象中的一种——概念漂移检测或新类检测——而两者在数据流中都可以观察到。此外，关于此前未知观察的主题，近年来在开放类问题方面取得了重要进展，其中方法的目标是高效地在已知类内进行分类，并识别模型能力之外的物体。本文提出一种合成数据流生成策略，其中同时发生概念漂移和新类的出现，后者代表未知对象。所提出的研究显示了无监督漂移检测器如何解决检测新奇性和概念漂移的问题，并演示了所生成的数据流如何用于开放集识别任务中。
引用
@article{arxiv.2505.13745,
title = {Synthetic Non-stationary Data Streams for Recognition of the Unknown},
author = {Joanna Komorniczak},
journal= {arXiv preprint arXiv:2505.13745},
year = {2026}
}